下面进行文心一言内测结果与ChatGLM-6B的结果进行对比，其中ChatGLM-6B的结果来自https://github.com/THUDM/ChatGLM-6B，假设ChatGLM-6B的结果是可靠的，那么为了公平，文心一言也使用这些Prompt进行测试。
测试内容从自我认知、提纲写作、文案写作、邮件写作助手、信息抽取、角色扮演、评论比较和旅游向导这八个角度进行测试对比。
核心结论：
1、关于自我认知、提纲写作方面，ChatGLM-6B相比文心一言要好一些，优点和缺点条例比较清晰；
2、在文案写作方面，ChatGLM-6B确实生成了一段文案，而文心一言缺生成了一张图片，说明了文心一言的多模态生成能力，但是与题目不太符合；
3、在写邮件方面，两个模型表现都不错；
4、在信息抽取方面，ChatGLM-6B比文心一言确实好很多，可能是ChatGLM-6B有这方面的训练数据导致的；
5、在角色扮演方面，文心一言暂无此能力；
6、在主观评论方面，ChatGLM-6B和文心一言都表现的比较理智和客观，没有模型个人观点，ChatGLM-6B列举了这两位足球运动员的很多示例，而文心一言回复的比较官方；
7、在旅游向导方面、ChatGLM-6B注重文化描述，而文心一言给出了很多更有价值的信息
综述所述，在ChatGLM-6B给出的8大示例中，明显是ChatGLM-6B占上风，这似乎也不太公平，后面会使用其他的Prompt再进行测试对比实验。
自我认知
ChatGLM-6B
文心一言
提纲写作
ChatGLM-6B
文心一言
文案写作
ChatGLM-6B
文心一言
邮件写作助手
ChatGLM-6B
文心一言
信息抽取
ChatGLM-6B
文心一言
角色扮演
ChatGLM-6B
文心一言
评论比较
ChatGLM-6B
文心一言
旅游向导
ChatGLM-6B
文心一言
原文作者：ArronAI；如有侵权，请联系管理员删除。
最新文章
- LLM之RAG实战（四十三）| 使用模型监控pipeline构建端到端RAG Pipeline
- MLLM（二）| 阿里开源视频理解大模型：Qwen2-VL
- MLLM（一）| 文/图生视频任务大升级，BigModel 开源了视频模型CogVideoX
- LLM之RAG理论（十二）| RAG和Graph RAG对比
- LLM之RAG实战（四十二）| 如何在LlamaIndex和LangChain中正确选择RAG开发框架
- LLM之Prompt（四）| OpenAI、微软发布Prompt技术报告
- LLM漫谈（七）| 使用PyTorch从零构建LLM
- LLM之RAG实战（四十）| 使用LangChain SQL Agent和MySQL搭建多层RAG ChatBot
- LLM之RAG实战（三十九）| 高级RAG技术全面解析（附代码）
- LLM之RAG理论（十一）| 面向生产的RAG应用程序的12种调整策略指南
